人工智能AI训练需要以下步骤：
数据收集和准备：首先需要从现实世界中收集并准备好大量的数据，这些数据应该具有代表性，覆盖模型所需的各个方面。数据收集和准备工作包括数据清洗、格式转换、数据预处理等。
选择适当的模型：根据具体的任务需求和数据特点，选择适当的机器学习或深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）等。
模型训练：在准备好数据和选择好模型之后，可以开始训练模型。在这个过程中，需要选择适当的训练算法，如随机梯度下降（SGD）、Adam等，并设置好超参数，如学习率、正则化系数等。
模型评估和调整：在模型训练过程中，需要评估模型的性能，例如计算损失函数、准确率、召回率等指标。如果模型表现不佳，可以调整模型的参数或超参数，或重新选择模型进行训练。
模型部署和应用：在训练好模型之后，需要将其部署到实际应用中。这个过程需要考虑模型的性能、可靠性、安全性等方面，同时需要与其他系统进行集成。
此外，人工智能AI训练还需要以下技能：
数学基础：主要包括线性代数、概率论、数理统计、微积分等。这为构建机器学习和深度学习算法奠定基础。
编程技能：至少需要掌握一种编程语言，比如Python。可以编写代码实现算法。
数据结构与算法：需要对常见的数据结构和算法原理有深入的理解，比如图论、排序算法等。
机器学习理论：需要理解监督学习、无监督学习、增强学习等机器学习方法的原理。
深度学习框架：比较热门的框架是TensorFlow、PyTorch等。可以基于框架应用各种神经网络。
计算机视觉：如果从事计算机视觉相关领域，需要学习图像处理、卷积神经网络等知识。
自然语言处理：如果涉及语音或文本，需要学习语音识别、NLP等相关知识。
数据分析技能：需要熟练使用MySQL、Hadoop、Spark等数据处理工具，进行数据提取、转换、加载等操作。
软件工程知识：如何开发规模化的AI系统也很重要。
以上信息仅供参考，建议咨询专业人士获取更准确的信息。